Karhunen–Loeve orthogonal decomposition method for problems of EEG assessment of patients with migraine

封面

如何引用文章

全文:

详细

The purpose of this work is to identify patterns in the recordings of electroencephalograms of patients with migraine using the Karhunen–Loeve orthogonal decomposition method. The work examines the main features of electroencephalographic dynamics, and the impact on these features of сhronic migraine severity. Methods. To collect experimental data, the method of recording electroencephalograms during the modified multiple sleep latency test was used. During the experiment, studies were conducted of the subjects´reaction to the presented visual stimulus. The obtained data were processed using the Karhunen–Loeve transformation, which allows one to interpret the complex dynamics of the system from the point of view of the coexistence and interaction of coherent orthogonal space-time structures. Results. Studies have shown that the energy distribution of modes in active and sleep states can differ significantly. The character of this distribution depends on the brain zone of signal recordings, on the duration of the experiment, and on at what time point in the experiment certain stages of the subject’s reaction were recorded. It has been shown that the greatest response in the form of evoked potentials in people with migraine is most often localized in the occipital lobe of the brain, and there is a correlation of this effect with the frequency of migraine attacks. For some groups of patients, there is a connection between the severity of evoked potentials in the brain and the energy of the first, most energetic, Karhunen–Loeve mode. Conclusion. It has been shown that there is a relationship between the number of significant modes and the power of the alpha rhythm in electroencephalography signals, and the spatial localization of this effect in the occipital region of the brain can be traced. For the frontal lobe of the brain, significant differences in the distribution of the first mode were demonstrated, assessed for groups of patients with rare and frequent migraine attacks.

作者简介

Evgenij Egorov

Saratov State University

ORCID iD: 0000-0002-8581-1077
SPIN 代码: 6982-4356
Scopus 作者 ID: 7103143750
ul. Astrakhanskaya, 83, Saratov, 410012, Russia

Maksim Zhuravlev

Saratov State University

Scopus 作者 ID: 36116363000
Researcher ID: B-2068-2015
ul. Astrakhanskaya, 83, Saratov, 410012, Russia

Anastasia Runnova

Saratov State University; Saratov State Medical University named after V. I. Razumovsky

ORCID iD: 0000-0002-2102-164X
Scopus 作者 ID: 55758753300
Researcher ID: М-2363-2016
ul. Astrakhanskaya, 83, Saratov, 410012, Russia

Maksim Evstropov

Saratov State University

ul. Astrakhanskaya, 83, Saratov, 410012, Russia

Alena Redzhepova

Saratov State University

ul. Astrakhanskaya, 83, Saratov, 410012, Russia

参考

  1. Feyissa A. M., Tatum W. O. Adult EEG // Handbook of clinical neurology. 2019. Vol. 160. P. 103–124. doi: 10.1016/B978-0-444-64032-1.00007-2.
  2. Lin Z., Zhang Ch., Wu W., Gao X. Frequency recognition based on canonical correlation analysis for SSVEP-based BCIs // IEEE transactions on biomedical engineering. 2006. Vol. 53, iss. 12. P. 2610–2614. doi: 10.1109/TBME.2006.886577.
  3. Adeli H., Zhou Z., Dadmehr N. Analysis of EEG records in an epileptic patient using wavelet transform // Journal of neuroscience methods. 2003. Vol. 123, iss. 1. P. 69–87. doi: 10.1016/S0165-0270(02)00340-0.
  4. Hansen S. T., Hemakom A., Safeldt M. G., Krohne L. K., Madsen K. H., Siebner H. R., Mandic D. P., Hansen L. K. Unmixing oscillatory brain activity by eeg source localization and empirical mode decomposition // Computational intelligence and neuroscience. 2019. Vol. 2019, iss. 4. P. 1-15. doi: 10.1155/2019/5618303.
  5. Karhunen K. Uber lineare Methoden in der Wahrscheinlichkeitsrechnung. Helsinki: Universitat Helsinki, 1947. 79 p.
  6. Loeve M. Functions Aleatories de Seconde Ordre. Paris: Hermann, 1948.
  7. Ту Дж., Гонсалес Р. Принципы распознавания образов. М.: Мир, 1978. 414 с.
  8. Гонсалес Р., Вудс Р. Цифровая обработка изображений. Москва: Техносфера, 2012. 1104 с.
  9. Hotelling H. Analysis of a Complex of Statistical Variables into Principal Components // J. Educ. Psychol. 1933. Vol. 24. P. 498–520.
  10. Kramer H. P., Mathews M. V. A Linear coding for transmitting a set of correlated signals // IRE Trans. Info. Theory. 1956. Vol. 2, no. 3. P. 41–46. doi: 10.1109/TIT.1956.1056808.
  11. Прэтт У. Цифровая обработка изображений. В 2-х т. М.: Мир, 1982.
  12. Duda R. O., Hart P. E. Use of the Hough Transformation to Detect Lines and Curves in Pictures // Comm. ACM. 1972. Vol. 15, no. 1. P. 11–15.
  13. Duda R. O, Hart P. E., Stork D. G. Pattern Classification. New York: John Wiley and Sons, 2001. 654 p. doi: 10.1007/s00357-007-0015-9.
  14. Jonak K., Syta A., Karakula-Juchnowicz H., Krukow P. The clinical application of EEGsignals recurrence analysis as a measure of functional connectivity: Comparative case study of patients with various neuropsychiatric disorders // Brain sciences. 2020. Vol. 10, no. 6. P. 380. doi: 10.3390/brainsci10060380.
  15. Onton J., Westerfield M., Makeig S., Townsend J. Imaging human EEG dynamics using independent component analysis // Neuroscience and biobehavioral reviews. 2006. Vol. 30, no. 6. P. 808–822. doi: 10.1016/j.neubiorev.2006.06.007.
  16. Ramakrishnan A. G., Satyanarayana J. V. Reconstruction of EEG from limited channel acquisition using estimated signal correlation // Biomedical Signal Processing and Control. 2016. Vol. 27. P. 164–173. DOI: doi.org/10.1016/j.bspc.2016.02.004.
  17. Wongsawat Y., Oraintara S., Rao K. R. Integer sub-optimal Karhunen-Loeve transform for multichannel lossless EEG compression // 2006 14th European Signal Processing Conference, Florence, Italy, 2006. P. 1–5.
  18. Wongsawat Y. Oraintara S., Tanaka T., Rao K. R. Lossless multi-channel EEG compression // IEEE International Symposium on Circuits and Systems. IEEE, 2006. doi: 10.1109/ISCAS.2006.1692909.
  19. Babadi B., McKinney S. M., Tarokh V., Ellenbogen J. M. DiBa: A Data-Driven Bayesian Algorithm for Sleep Spindle Detection // IEEE Transactions on Biomedical Engineering. 2012. Vol. 59, no. 2, P. 483–493. doi: 10.1109/TBME.2011.2175225.
  20. Kuriakose S., Titus G. Karhunen-loeve transform for sleep spindle detection // 2016 3rd International Conference on Devices, Circuits and Systems (ICDCS), Coimbatore, India, 2016. P. 249–253. doi: 10.1109/ICDCSyst.2016.7570602.
  21. Vural C., Murat Y. Determination of sleep stage separation ability of features extracted from EEG signals using principle component analysis // Journal of medical systems. 2010. Vol. 34, no. 1. P. 83. doi: 10.1007/s10916-008-9218-9.
  22. Klonowski W., Jernajczyk W., Niedzielska K., Ritz A. Quantitative measure of complexity of EEG signal dynamics // Acta neurobiologiae experimentalis. 1999. Vol. 59, no. 4. P. 315–321. doi: 10.55782/ane-1999-1316.
  23. Fuchs A., Kelso S., Haken H. Phase transitions in the human brain: Spatial mode dynamics // International Journal of Bifurcation and Chaos - IJBC. 1992. Vol. 2, no. 4. P. 917–939. doi: 10.1142/S0218127492000537.
  24. Jirsa V. K., Friedrich R., Haken H. Reconstruction of the spatio-temporal dynamics of a human magnetoencephalogram // Physica D: Nonlinear Phenomena. 1995. Vol. 89, iss. 1–2. P. 100–122. doi: 10.1016/0167-2789(95)00226-x.
  25. Anderson C. W., Devulapalli S. V., Stolz E. Determining Mental State from EEG Signals Using Parallel Implementations of Neural Networks // Sci. Program. 1995. Vol. 4, no. 3. P. 171–183. doi: 10.1155/1995/603414.
  26. Lamothe R. Stroink G. Orthogonal expansions: Their applicability to signal extraction in electrophysiological mapping data // Medical and biological engineering and computing. 1991. Vol. 29. P. 522–528. doi: 10.1007/BF02442325.
  27. Broomhead D. S., King G. P. Extracting qualitative dynamics from experimental data // Physica D Nonlinear Phenomena. 1986. Vol. 20, no. 2–3. P. 217–236. doi: 10.1016/0167-2789(86)90031-X.
  28. Rahman M. A., Haque M. M., Anjum A., Mollah M. N., Ahmad M. Classification of motor imagery events from prefrontal hemodynamics for BCI application // In: Uddin M. S., Bansal J. C. (eds) Proceedings of International Joint Conference on Computational Intelligence. Algorithms for Intelligent Systems. Singapore: Springer, 2020. P. 11–23. doi: 10.1007/978-981-13-7564-4_2.
  29. Littner M. R., Kushida C., Wise M., Davila D. G., Morgenthaler T., Lee-Chiong T., Hirshkowitz M., Loube D. L., Bailey D., Berry R. B., Kapen S., Kramer M. Practice parameters for clinical use of the multiple sleep latency test and the maintenance of wakefulness test // Sleep. 2005. Vol. 28, no. 1. P. 113–121. doi: 10.1093/sleep/28.1.113.
  30. Schubring D., Kraus M., Stolz C., Weiler N., Keim D. A., Schupp H. Virtual reality potentiates emotion and task effects of Alpha/Beta brain oscillations // Brain Sciences. 2020. Vol. 10, no. 8. P. 537. doi: 10.3390/brainsci10080537.
  31. Iscan Z., Nikulin V. V. Steady state visual evoked potential (SSVEP) based brain-computer interface (BCI) performance under different perturbations // PloS one. 2018. Vol. 13, no. 1. e0191673. doi: 10.1371/journal.pone.0191673.
  32. Парсамян Р. Р., Посненкова О. М., Журавлев М. О., Сельский А. О., Киселев А. Р., Фисун А. В., Руннова А. Е. Хронизация головной боли: анализ вызванных потенциалов на стимул // Российский журнал боли. 2024. Vol. 22, no. 1. P. 18–26. doi: 10.17116/pain20242201118.
  33. Ватанабе С. Разложение Карунена–Лоэва и факторный анализ. Теория и приложения / Под ред. Бравермана Э. М. Автоматический анализ сложных изображений. М.: Мир, 1969. C. 310.
  34. Trubetskov D. I., Hramov A. E., Egorov E. N., Filatov R. A., Kalinin Y. A., Koronovskii A. A. Experimental and Theoretical Study of Chaotic Microwave Oscillations and Pattern Formation in Non-relativistic Electron Beam with Virtual Cathode // 2006 IEEE International Vacuum Electronics Conference held Jointly with 2006 IEEE International Vacuum Electron Sources. Monterey: IEEE, 2006. P. 527–528. doi: 10.1109/IVELEC.2006.1666415.
  35. Egorov E. N., Makarov V. V., Hramov A. E. Analyzing the formation of coherent structures in a helical electron flow with a virtual cathode // Bull. Russ. Acad. Sci. Phys. 2014. Vol. 78. P. 1246–1249. doi: 10.3103/S1062873814120041.
  36. Egorov E. N., Hramov A. E. Formation of coherent structures in helical electron beam with a virtual cathode // 24th International Crimean Conference Microwave and Telecommunication Technology, Sevastopol, Russia, 2014. P. 845–846.
  37. Runnova A, Zhuravlev M, Shamionov R et al. Spatial patterns in EEG activity during monotonous sound perception test // Eur. Phys. J. Plus. 2021. Vol. 136. P. 735. doi: 10.1140/epjp/s13360-021-01716-1
  38. Bazanova O. M., Vernon D. Interpreting EEG alpha activity // Neuroscience and Biobehavioral Reviews. 2014. Vol. 44. P. 94–110. doi: 10.1016/j.neubiorev.2013.05.007.
  39. Симонян М. С., Новиков М. Ю. Изменение пространственной структуры активности головного мозга при длительной монотонной зрительной нагрузке // Труды VII Всероссийской конференции. Нелинейная динамика в когнитивных исследованиях - 2021. С. 144–146.
  40. Zhuravlev M., Novikov M., Parsamyan R., Selskii A., Runnova A. The Objective Assessment of Event-Related Potentials: An Influence of Chronic Pain on ERP Parameters // Neuroscience bulletin. 2023. Vol. 39, no. 7. P. 1105–1116. doi: 10.1007/s12264-023-01035-8.

补充文件

附件文件
动作
1. JATS XML
下载

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».